Lionel AFFOGNON

Projet affilié : IoT-SDC

CEA affiliés :

CEA SMIA, Université d’Abomey-Calavi

CEA MITIC Université Gaston Berger

Directeur de thèse : Prof. Eugène C. EZIN, ACE SMIA, Institut de Mathématiques et de Sciences Physiques, Université d’Abomey-Calavi, Bénin, eugene.ezin@gmail.com

Co-directeur de thèse : Prof. Chérif DIALLO, ACE MITIC, UFR des Sciences Appliquées et de Technologies, Université Gaston Berger, Sénégal, cherif.diallo@ugb.edu.sn

Autres contributeurs à l’encadrement de la thèse : Abdoulaye DIALLO, UFR des Sciences Appliquées et de Technologies, Université Gaston Berger, Saint-Louis, Sénégal, diallo.abdoulaye8@ugb.edu.sn

Date de début : 01/08/2021
Date prévisionnelle de soutenance de thèse : Décembre 2024
Profil ORCID: 0000-0003-2811-0466

• LinkedIn

Intitulé du projet : Caractérisation sensorielle des produits locaux à l’aide d’un robot électronique et d’un classificateur de données intelligent

Résumé du projet scientifique : 
Il est important de savoir ce que nous sommes capables de produire et de comprendre leurs avantages économiques, nutritionnels et sensoriels. Ceci est soutenu par la théorie selon laquelle les besoins nutritionnels et sensoriels d’une personne devraient être satisfaits par les ressources également présentes dans son environnement.
L’objectif principal de cette thèse est la mise en place d’un nez électronique dans le cadre de la sécurité alimentaire. Grâce à cette technologie associée aux algorithmes de machine learning, être en mesure de prendre des décisions en ce qui concernent l’état de produits locaux (cas de la tomate).

Synthèse des résultats obtenus :

• Réalisation d’un nez électronique.
• Collecte de données sur deux variétés de tomates locales (Tounvi et Akikon) durant leur durée de vie.
• 4 publications scientifiques: une revue de littérature sur les différentes méthodes associées à la technologie de nez électronique pour accéder à la qualité de divers produits [2]. C’était l’occasion de mettre en avant le travail de recherche à faire dans ce projet de thèse. Deux articles ont mis en avant le nez électronique et son efficacité à collecter des données sur divers produits locaux [1] et sur deux variétés locales de tomates [3]. Cette dernière collecte a permis de constituer un jeu de données accessible sur gitlab: https://gitlab.com/liooonel/tomato-tounvi-and-akikon-pictures-and-e-nose-data.git. Ce Jeu de données a été utilisé pour entrainer différents modèles d’apprentissage supervisé [4], puis le choix du meilleur a été fait.